改进磷虾群算法优化ELM的入侵检测

泛滥的网络攻击严重威胁网络信息安全。入侵检测系统的高效性、鲁棒性等则尤为重要。针对极限学习机ELM的性能过分依赖于众多隐层节点的单隐层前馈神经网络SLFN的问题,提出基于改进磷虾群算法的极限学习机(IKH-ELM)的入侵检测算法。此算法减少隐层节点数为类别数,并利用IKH优化节点的权值和偏置,使ELM的决策性能显著上升。KDD99数据集实验表明:与原始ELM相比,IKH-ELM构造的仅5个节点的SLFN的泛化性能优势明显。与BP、SVM等算法相比,IKH-ELM算法能快速训练并有更高的检测正确率。